論文の概要: EdgeMask-DG*: Learning Domain-Invariant Graph Structures via Adversarial Edge Masking

• arxiv url: http://arxiv.org/abs/2602.05571v1
• Date: Thu, 05 Feb 2026 11:52:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-06 18:49:08.910572
• Title: EdgeMask-DG*: Learning Domain-Invariant Graph Structures via Adversarial Edge Masking
• Title（参考訳）: EdgeMask-DG*: 逆エッジマスキングによるドメイン不変グラフ構造学習
• Authors: Rishabh Bhattacharya, Naresh Manwani,
• Abstract要約: We present EdgeMask-DG, a novel algorithm for domain-invariant structure information。 また、この逆マスキングの原理をリッチグラフに適用する拡張であるEdgeMask-DG*を導入する。 We demonstrate that EdgeMask-DG* achieve a new-of-the-art performance on various graph domain generalization benchmarks。
• 参考スコア（独自算出の注目度）: 2.1485350418225244
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Structural shifts pose a significant challenge for graph neural networks, as graph topology acts as a covariate that can vary across domains. Existing domain generalization methods rely on fixed structural augmentations or training on globally perturbed graphs, mechanisms that do not pinpoint which specific edges encode domain-invariant information. We argue that domain-invariant structural information is not rigidly tied to a single topology but resides in the consensus across multiple graph structures derived from topology and feature similarity. To capture this, we first propose EdgeMask-DG, a novel min-max algorithm where an edge masker learns to find worst-case continuous masks subject to a sparsity constraint, compelling a task GNN to perform effectively under these adversarial structural perturbations. Building upon this, we introduce EdgeMask-DG*, an extension that applies this adversarial masking principle to an enriched graph. This enriched graph combines the original topology with feature-derived edges, allowing the model to discover invariances even when the original topology is noisy or domain-specific. EdgeMask-DG* is the first to systematically combine adaptive adversarial topology search with feature-enriched graphs. We provide a formal justification for our approach from a robust optimization perspective. We demonstrate that EdgeMask-DG* achieves new state-of-the-art performance on diverse graph domain generalization benchmarks, including citation networks, social networks, and temporal graphs. Notably, on the Cora OOD benchmark, EdgeMask-DG* lifts the worst-case domain accuracy to 78.0\%, a +3.8 pp improvement over the prior state of the art (74.2\%). The source code for our experiments can be found here: https://anonymous.4open.science/r/TMLR-EAEF/
• Abstract（参考訳）: グラフトポロジがドメイン毎に異なる共変量として機能するため、構造シフトはグラフニューラルネットワークにとって大きな課題となる。 既存の領域一般化法は、特定のエッジがどのドメイン不変情報をコードしているかを特定できないような、グローバルな摂動グラフの固定された構造拡張やトレーニングに依存している。 ドメイン不変構造情報は、単一のトポロジーに厳密に結びついているのではなく、トポロジーと特徴類似性から派生した複数のグラフ構造にまたがるコンセンサスに存在する。 そこで我々は,まず,エッジマスクが空間制約を受ける最悪の連続マスクを見つけることを学習し,その逆構造的摂動の下で,タスクGNNに効果的に実行するよう促す,新しいmin-maxアルゴリズムであるEdgeMask-DGを提案する。 これに基づいて、この逆マスキング原理をリッチグラフに適用する拡張であるEdgeMask-DG*を導入する。 このリッチグラフは、元のトポロジと特徴から派生したエッジを組み合わせることで、元のトポロジがノイズあるいはドメイン固有である場合でも、モデルが不変性を発見できる。 EdgeMask-DG*は、適応的対向トポロジー探索と特徴量グラフを体系的に組み合わせた最初の方法である。 私たちは、堅牢な最適化の観点から、アプローチの正式な正当化を提供します。 We demonstrate that EdgeMask-DG* achieve a new-of-the-art performance on various graph domain generalization benchmarks, including citation network, social network, and temporal graphs。 特に、Cora OODベンチマークでは、EdgeMask-DG*は最悪のドメイン精度を78.0\%に引き上げ、以前の最先端(74.2\%)よりも3.8pp向上した。 実験のソースコードは以下の通りである。

関連論文リスト

• Pave Your Own Path: Graph Gradual Domain Adaptation on Fused Gromov-Wasserstein Geodesics [59.07903030446756]
  グラフニューラルネットワークは、グラフ上の分散シフトに対して非常に脆弱である。 非IIDグラフデータのための最初のフレームワークであるGadgetを提示する。 ガジェットは既存のグラフDAメソッドとシームレスに統合して、グラフ上の大きなシフトを処理することができる。
  論文  参考訳（メタデータ） (2025-05-19T05:03:58Z)
• Generative and Contrastive Paradigms Are Complementary for Graph Self-Supervised Learning [56.45977379288308]
  Masked Autoencoder (MAE)は、マスク付きグラフエッジやノード機能の再構築を学ぶ。 Contrastive Learning (CL)は、同じグラフの拡張ビュー間の類似性を最大化する。 我々は,MAE と CL を統一するグラフコントラッシブマスク付きオートエンコーダ (GCMAE) フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-24T05:06:06Z)
• DiffWire: Inductive Graph Rewiring via the Lov\'asz Bound [1.0323063834827415]
  グラフニューラルネットワーク(GNN)は、グラフ関連タスクに対処するための競合的な結果を達成することが示されている。 MPNNは、過密、過密、過密に悩まされていると報告されている。 DiffWireは、MPNNでグラフを書き換える新しいフレームワークであり、原則的で、完全に微分可能で、パラメータフリーである。
  論文  参考訳（メタデータ） (2022-06-15T08:22:07Z)
• SoftEdge: Regularizing Graph Classification with Random Soft Edges [18.165965620873745]
  グラフデータ拡張はグラフニューラルネットワーク(GNN)の正規化において重要な役割を果たす 単純なエッジとノード操作は、同じ構造を持つグラフや、GNNをメッセージパッシングするための区別できない構造を生成することができる。 我々は,任意のグラフのエッジの一部にランダムな重みを割り当てて,そのグラフ上の動的近傍を構築するSoftEdgeを提案する。
  論文  参考訳（メタデータ） (2022-04-21T20:12:36Z)
• SIGMA: Semantic-complete Graph Matching for Domain Adaptive Object Detection [26.0630601028093]
  ドメイン適応オブジェクト検出(DAOD)は、ラベル付きドメインを利用して、アノテーションのない新しいドメインに一般化されたオブジェクト検出器を学ぶ。 クロスドメインプロトタイプ(クラスセンター)の縮小によるクラス条件分布の調整 本稿では,不一致のセマンティックスを補完し,グラフマッチングによる適応を再構築する,幻覚Dのための新しいSemantIc完全グラフマッチングフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-03-12T10:14:17Z)
• Source Free Unsupervised Graph Domain Adaptation [60.901775859601685]
  Unsupervised Graph Domain Adaptation (UGDA) はノード分類のラベル付けコストを削減するための実用的価値を示している。 既存のUGDAメソッドの多くは、ソースドメインのラベル付きグラフに大きく依存している。 現実のシナリオでは、ソースグラフはプライバシーの問題のためにアクセスできない。 我々は、Source Free Unsupervised Graph Domain Adaptation (SFUGDA) という新しいシナリオを提案する。
  論文  参考訳（メタデータ） (2021-12-02T03:18:18Z)
• Training Robust Graph Neural Networks with Topology Adaptive Edge Dropping [116.26579152942162]
  グラフニューラルネットワーク(GNN)は、グラフ構造情報を利用してネットワークデータから表現をモデル化する処理アーキテクチャである。 彼らの成功にもかかわらず、GNNは限られた訓練データから得られる準最適一般化性能に悩まされている。 本稿では、一般化性能を改善し、堅牢なGNNモデルを学習するためのトポロジ適応エッジドロップ法を提案する。
  論文  参考訳（メタデータ） (2021-06-05T13:20:36Z)
• GraphMI: Extracting Private Graph Data from Graph Neural Networks [59.05178231559796]
  GNNを反転させてトレーニンググラフのプライベートグラフデータを抽出することを目的とした textbfGraph textbfModel textbfInversion attack (GraphMI) を提案する。 具体的には,グラフ特徴の空間性と滑らかさを保ちながら,グラフエッジの離散性に対処する勾配モジュールを提案する。 エッジ推論のためのグラフトポロジ、ノード属性、ターゲットモデルパラメータを効率的に活用するグラフ自動エンコーダモジュールを設計する。
  論文  参考訳（メタデータ） (2021-06-05T07:07:52Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。